1 Einführung

19

1.1 Themenabgrenzung

20

1.1.1 Business Intelligence

21

1.1.2 Statistik

21

1.1.3 Künstliche Intelligenz

21

1.1.4 Data Science

24

1.1.5 CRISP-DM

25

1.2 Data Science in der SAP-Welt

27

1.2.1 Standardsoftware

28

1.2.2 Wiederverwendbare Dienste

29

1.2.3 SAP Business Technology Platform

31

1.2.4 AI-Ethik

35

2 SAP HANA als Data-Science-Umgebung

37

2.1 SAP HANA

38

2.1.1 SAP HANA, Express Edition

40

2.1.2 SAP HANA Cloud

53

2.1.3 SAP Data Warehouse Cloud

60

2.2 SAP HANA Client

64

2.3 Python-Entwicklungsumgebung

64

3 Erste Schritte

71

3.1 Python

71

3.1.1 Erste Schritte mit Python

72

3.1.2 Verbindung zu SAP HANA

76

3.1.3 Daten laden

81

3.1.4 Datenverarbeitung

82

3.2 Die R-Programmiersprache

84

3.3 Die SQL-Sprache für SAP HANA

89

3.3.1 SAP HANA Database Explorer

89

3.3.2 DBeaver

95

4 Explorative Datenanalyse und Datenvorbereitung

99

4.1 Analyse einer Tabelle

100

4.2 Analyse einzelner Variablen

105

4.2.1 Numerische Variablen

105

4.2.2 Kategorische Variablen

109

4.3 Analyse mehrerer Variablen

111

4.4 Datenvorbereitung

114

4.4.1 Datenbeschreibung

115

4.4.2 Daten laden

115

4.4.3 Datenmodifikation

117

5 Automated Predictive Library

129

5.1 Einführung in die APL

131

5.2 Klassifizierung mit der APL

133

5.2.1 Binäre Klassifizierung mit der APL

133

5.2.2 Multiclass-Klassifizierung mit der APL

158

5.3 Regression mit der APL

173

5.4 Zeitreihen mit der APL

186

5.4.1 Einzelne Zeitreihe

186

5.4.2 Einzelne Zeitreihe mit Prädiktoren

196

5.4.3 Mehrere Zeitreihen

204

5.5 Weitere Informationen

211

6 Predictive Analysis Library

213

6.1 Einführung in die PAL

214

6.2 Klassifizierung mit der PAL

216

6.2.1 Binäre Klassifizierung mit der PAL

216

6.2.2 Multiclass-Klassifizierung mit der PAL

222

6.3 Regression mit der PAL

229

6.4 Zeitreihen mit der PAL

236

6.4.1 Zeitreihenzerlegung

237

6.4.2 Vorhersagemethoden in der Zeitreihenanalyse

238

6.4.3 Dynamische Zeitverzerrung

247

6.4.4 Spektralanalyse

251

6.5 Cluster-Analyse

253

6.6 Survival Analysis

260

6.7 Ausreißeranalyse

282

6.7.1 Statistische Methoden

284

6.7.2 Clustering-basierte Methoden

287

6.7.3 Regressions- und Klassifizierungsmethoden

288

6.8 Automated Machine Learning

289

6.9 State-enabled Deployment

299

7 Spezialisierte Analyse-Engines

301

7.1 Geodatenanalyse

302

7.1.1 Einführung eines praktischen Beispiels

303

7.1.2 Installieren von zusätzlichen Packages

304

7.1.3 Datenbeschreibung und Daten laden

304

7.1.4 Datenanalyse

308

7.2 Graphanalyse

317

7.2.1 Einführung eines praktischen Beispiels

318

7.2.2 Datenbeschreibung

319

7.2.3 Daten laden

320

7.2.4 Datenanalyse

322

7.2.5 Graphanalyse durchführen

323

7.3 Textanalyse

328

7.3.1 Beispiel und Datenbeschreibung

329

7.3.2 Datenvorverarbeitung und -analyse

330

7.3.3 Weiterführende Analysen

336

8 Deployment-Optionen

341

8.1 SAP Data Intelligence

342

8.1.1 JupyterLab Notebooks

344

8.1.2 Template Pipelines

346

8.1.3 Python-3-Operator

349

8.2 Cloud Foundry

357

8.3 Kyma

363

8.3.1 Scheduling von Code

366

8.3.2 Triggern der Ausführung über einen API-Endpunkt

369

8.3.3 Vorhersagen über REST APIs

372